論文の概要: A Machine Learning Approach for Delineating Similar Sound Symptoms of
Respiratory Conditions on a Smartphone
- arxiv url: http://arxiv.org/abs/2110.07895v1
- Date: Fri, 15 Oct 2021 07:24:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-18 15:23:36.423975
- Title: A Machine Learning Approach for Delineating Similar Sound Symptoms of
Respiratory Conditions on a Smartphone
- Title（参考訳）: スマートフォン上での呼吸条件の類似音症状を記述するための機械学習手法
- Authors: Chinazunwa Uwaoma and Gunjan Mansingh
- Abstract要約: 我々は、現代のスマートフォンの計算能力と記憶能力の改善を活用し、機械学習アルゴリズムを用いて呼吸音の症状を識別する。
携帯電話上でのこれらのアルゴリズムの性能は、スマートフォンがリアルタイムシナリオにおける呼吸症状の認識と識別のための代替ツールであることを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Clinical characterization and interpretation of respiratory sound symptoms
have remained a challenge due to the similarities in the audio properties that
manifest during auscultation in medical diagnosis. The misinterpretation and
conflation of these sounds coupled with the comorbidity cases of the associated
ailments particularly, exercised-induced respiratory conditions; result in the
under-diagnosis and under-treatment of the conditions. Though several studies
have proposed computerized systems for objective classification and evaluation
of these sounds, most of the algorithms run on desktop and backend systems. In
this study, we leverage the improved computational and storage capabilities of
modern smartphones to distinguish the respiratory sound symptoms using machine
learning algorithms namely: Random Forest (RF), Support Vector Machine (SVM),
and k-Nearest Neighbour (k-NN). The appreciable performance of these
classifiers on a mobile phone shows smartphone as an alternate tool for
recognition and discrimination of respiratory symptoms in real-time scenarios.
Further, the objective clinical data provided by the machine learning process
could aid physicians in the screening and treatment of a patient during
ambulatory care where specialized medical devices may not be readily available.
- Abstract（参考訳）: 呼吸音症状の臨床的特徴と解釈は, 診断における聴診中に現れる音響特性の類似性から, 依然として課題である。
これらの音の誤解釈と通訳は, 関連する疾患, 特に運動による呼吸条件の相違と相まって, 診断下, 治療中であった。
いくつかの研究がこれらの音の客観的な分類と評価のためのコンピュータシステムを提案しているが、ほとんどのアルゴリズムはデスクトップおよびバックエンドシステムで動作する。
本研究では,現代のスマートフォンの計算・記憶能力の向上を活用し,ランダムフォレスト(RF),サポートベクトルマシン(SVM),k-Nearest Neighbour(k-NN)という機械学習アルゴリズムを用いて呼吸音の症状を識別する。
携帯電話でのこれらの分類器の性能は、リアルタイムのシナリオにおける呼吸器症状の認識と識別のための代替ツールとしてスマートフォンを示している。
さらに、機械学習プロセスによって提供される客観的臨床データは、特別な医療機器が手軽に利用できない場合の退院中の患者のスクリーニングおよび治療において、医師を助けることができる。
関連論文リスト
- Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。
VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。
本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-29T23:19:28Z) - Selfsupervised learning for pathological speech detection [0.0]
音声生成は、様々な神経変性疾患による影響と破壊を受けやすい。
これらの障害は、異常な発声パターンと不正確な調音を特徴とする病的発声を引き起こす。
ニューロタイプ話者とは異なり、言語障害や障害のある患者は、AlexaやSiriなど、さまざまなバーチャルアシスタントにアクセスできない。
論文 参考訳（メタデータ） (2024-05-16T07:12:47Z) - Show from Tell: Audio-Visual Modelling in Clinical Settings [58.88175583465277]
臨床環境でのオーディオ・ビジュアル・モデリングを考察し、人間の専門的アノテーションを使わずに医学的表現を学習するためのソリューションを提供する。
この目的のために, 単純かつ効果的なマルチモーダル自己教師型学習フレームワークを提案する。
提案手法は,音声のみを基準として,超音波画像中の解剖学的関心領域をローカライズすることができる。
論文 参考訳（メタデータ） (2023-10-25T08:55:48Z) - COVID-19 Detection System: A Comparative Analysis of System Performance Based on Acoustic Features of Cough Audio Signals [0.6963971634605796]
本研究は、新型コロナウイルス検出における機械学習(ML)モデルの性能向上を図ることを目的としている。
MFCC(Mel Frequency Cepstral Coefficients)、クロマ(Chroma)、スペクトルコントラスト(Spectral Contrast)の3つの特徴抽出手法の有効性について検討し、2つの機械学習アルゴリズム、SVM(Support Vector Machine)とMLP(Multilayer Perceptron)に適用した。
提案システムでは,COUGHVIDデータセットでは0.843,Virufyでは0.953,最先端の分類性能を示す。
論文 参考訳（メタデータ） (2023-09-08T08:33:24Z) - Deep Feature Learning for Medical Acoustics [78.56998585396421]
本研究の目的は,医療音響の課題における学習内容の比較である。
ヒトの呼吸音と心臓の鼓動を健康的または病態の影響の2つのカテゴリに分類する枠組みが実装されている。
論文 参考訳（メタデータ） (2022-08-05T10:39:37Z) - AI-enabled Sound Pattern Recognition on Asthma Medication Adherence:
Evaluation with the RDA Benchmark Suite [2.756147934836573]
喘息は、一般的には長期にわたる呼吸器疾患であり、世界社会や経済に悪影響を及ぼす。
臨床相談における吸入法の評価には客観的な方法が必要である。
本稿では、喘息薬の付着度評価のための機械学習技術を用いて、音響パターン認識を再考する。
論文 参考訳（メタデータ） (2022-05-30T18:08:28Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - User-Driven Research of Medical Note Generation Software [49.85146209418244]
本稿では,医療用ノート生成システム開発における3ラウンドのユーザスタディについて述べる。
参加する臨床医の印象と,システムがどのようにそれらに価値あるものに適合すべきかの視点について論じる。
遠隔医療における3週間のシステムテストについて述べる。
論文 参考訳（メタデータ） (2022-05-05T10:18:06Z) - Respiratory Distress Detection from Telephone Speech using Acoustic and
Prosodic Features [27.77184655808592]
本研究は,よく知られた音響・韻律的特徴を用いた呼吸困難の自動検出に関する予備的知見を要約する。
音声サンプルはバングラデシュの医療機関から未確認の遠隔医療電話から収集される。
呼吸困難は、声質、発声パターン、発声時間、発声時間などの音声特徴を変化させる可能性があると仮定する。
論文 参考訳（メタデータ） (2020-11-15T13:32:45Z) - Respiratory Sound Classification Using Long-Short Term Memory [62.997667081978825]
本稿では,呼吸器疾患の分類に関連して,音の分類を行おうとする際の問題点について検討する。
このようなタスクをどのように実装できるかを特定するために、ディープラーニングと長期短期記憶ネットワークの使用の検討を行う。
論文 参考訳（メタデータ） (2020-08-06T23:11:57Z) - Can Machine Learning Be Used to Recognize and Diagnose Coughs? [3.2265234594751155]
呼吸器感染症のスクリーニングには,低複雑性,自動認識,診断ツールが有用である。
コンボリューショナルニューラルネットワーク (CNN) を用いて, 環境音のコアを検出し, 3つの潜在的な疾患を診断する。
提案された検出モデルと診断モデルはどちらも精度が89%以上であり、計算効率も高い。
論文 参考訳（メタデータ） (2020-04-01T20:14:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。